O YOLO-World é um detector de objetos em tempo real com vocabulário aberto de última geração, baseado na família de detectores You Only Look Once (YOLO). Sua capacidade de detecção com vocabulário aberto é aprimorada por meio de modelagem de linguagem visual e pré-treinamento em conjuntos de dados em larga escala. Ele emprega uma nova rede de agregação de caminhos visual-linguísticos re-parametrizáveis (RepVL-PAN) e uma perda de contraste região-texto, promovendo a interação entre informações visuais e linguísticas. O YOLO-World detecta objetos diversos de forma eficiente em modo zero-shot, com alta eficiência. No conjunto de dados desafiador LVIS, o YOLO-World alcançou 35,4 AP e 52,0 FPS em uma V100, superando muitos métodos de última geração em termos de precisão e velocidade. Além disso, o YOLO-World, após ajuste fino, apresenta excelente desempenho em várias tarefas downstream, incluindo detecção de objetos e segmentação de instâncias com vocabulário aberto.